广义相对论与量子宇宙学
General Relativity and Quantum Cosmology
我们证明,当布朗桥在物理上被限制为正典时,它的时间演变与高斯分布统计流形上的m-geodesic相同。 这一发现提供了强有力的证据,表明类似于广义相对论,其中自由粒子遵循大地测量学,纯粹的随机过程也遵循信息几何形状定义的“直线”。 这种几何原理是信息几何固有的双平面结构的直接后果,源于信息“距离”(多样性)的不对称性,导致度量兼容性的违反。 我们的研究结果为随机性提供了几何基础,并为信息等价原理打开了大门。
模拟引力波(GW)和GW探测器故障的现实时间域观测可以帮助推进GW数据分析。 模拟数据可以通过增加用于信号搜索的数据集、平衡机器学习数据集和验证检测方案,在下游任务中使用。 在这项工作中,我们介绍了条件衍生GAN(cDVGAN),这是生成对抗网络框架中的一种新颖的条件模型,用于模拟代表引力波(GW)和探测器故障的多个类时间域观测。cDVGAN还可以生成广义混合样本,通过条件类向量的插值来跨越类之间的变化。cDVGAN将一个额外的玩家引入典型的2个玩家。eries。 我们的结果表明,这提供了更好的捕获原始数据特征的合成数据。 cDVGAN条件在三个类上,两个从LIGO blip和tomte glitch事件从其第3次观测运行(O3)和第三个表示二进制黑洞(BBH)合并。 我们提议的cDVGAN在复制三个类别的特点方面优于4种不同的基线GAN模型。 具体而言,我们的实验表明,使用我们cDVGAN生成的数据训练卷积神经网络(CNN)可以改善检测器噪声中嵌入的样本的检测,而不是来自其他最先进的GAN模型的合成数据。 与基线GAN的合成数据集相比,我们最好的合成数据集在曲线下(AUC)性能提高了4.2%。 此外,在识别嵌入在LIGO探测器背景的真实样本(cDVGAN的4 % AUC改进)时,使用我们的cDVGAN混合样品来训练CNN,优于仅在标准类上训练的CNN。
模拟引力波(GW)探测器环境的时间域观测将使人们更好地了解GW源,增加GW信号检测的数据集,并帮助表征探测器的噪声,从而获得更好的物理学。 本文介绍了一种使用名为DVGAN的三人制Wasserstein生成对抗网络(WGAN)模拟固定长度时间域信号的新方法,其中包括对输入信号的衍生物进行区分的辅助鉴别器。 消融研究用于比较将辅助衍生物鉴别器与香草双玩家WGAN的对抗反馈的效果进行比较。 我们表明,对衍生物进行区分可以稳定1D连续信号在训练阶段对1D连续信号的GAN组件的学习。 这导致生成的信号更平滑,与真实样本的区分较少,并更好地捕获训练数据的分布。 DVGAN还用于模拟在先进的LIGO GW探测器中捕获的真实瞬态噪声事件。
我们认为球形对称,无对称的扁平的时空与无碰撞气体作为物质模型。 由此产生的Vlasov-Einstein系统的许多属性尚未通过纯粹的分析手段访问。 我们介绍了该系统的离散版本,该版本适用于数值实现,并且基于粒子在细胞技术。 所生成的近似解决方案与精确解决方案的融合已得到证实,并提供误差范围。
物理信息神经网络(PINNs)将管理所研究的系统的偏微分方程(PDE)直接嵌入到神经网络的训练中,确保尊重物理定律的解决方案。 虽然对单系统问题有效,但标准PINN的扩展性差,其扩展到包含具有不同参数的相同基础物理的许多实现。 为了解决这一限制,我们提出了一种补充方法,在损失中包括辅助物理冗余信息(APRIL),即使用利用输出之间精确物理冗余关系的辅助术语来增加标准监督输出目标损失。 我们在数学上证明,这些术语保留了真正的物理最小值,同时重塑了损失景观,改善了对物理一致解决方案的收敛。 作为概念验证,我们将APRIL在引力波(GW)参数估计(PE)的全连接神经网络上对基准测试。 我们使用模拟的,无噪声的紧凑二进制聚变(CBC)信号,专注于inspiral-frequency波形来恢复啁啪啪的质量M,总质量M_tot和对称质量η的二进制。 在这个受控设置中,我们表明APRIL在测试精度方面达到了高达的量级提升,特别是对于其他难以学习的参数。 该方法为大型多系统数据集提供物理一致的学习,非常适合未来的GW分析,涉及逼真的噪声和更广泛的参数范围。
我们引入了一种技术,以提高机器学习产生的引力波参数估计结果的可靠性。 我们基于视觉变压器(Vision Transformer)开发了两个独立的机器学习模型,以估计来自双黑洞合并的引力波信号光谱学的有效自旋和啪啪质量。 为了提高这些模型的可靠性,我们利用注意力图来可视化模型在进行预测时关注的领域。 这种方法能够证明两个模型都根据物理上有意义的信息执行参数估计。 此外,通过利用这些注意力图,我们演示了一种量化故障对参数估计的影响的方法。 我们表明,随着模型更多地关注故障,参数估计结果变得更加强烈。 这表明注意力图可能被用来区分机器学习模型产生的结果是可靠的情况和它们不存在的情况。
改进引力波观测站的低频灵敏度将解锁对中质量黑洞合并,二元黑洞偏心率的研究,并为双中子星合并的多信使观测提供早期预警。 今天的镜面稳定控制注入了有害噪音,构成了灵敏度改善的主要障碍。 我们通过Deep Loop Shaping消除了这种噪声,这是一种使用频域奖励的强化学习方法。 我们在LIGO利文斯顿天文台(LLO)上证明了我们的方法论。 我们的控制器将10-30Hz频段的控制噪声降低了30倍以上,子频段的控制噪声高达100倍,超过了量子极限所驱动的设计目标。 这些结果突出了Deep Loop Shaping在改善当前和未来GW观测站以及更广泛的仪器和控制系统方面的潜力。
LIGO数据中的瞬态噪声(故障)阻碍了引力波(GW)的探测。 Gravity Spy项目将这些噪声事件分为各种类别。 通过O3运行,增加了两个额外的噪声类,因此需要训练新的模型进行有效的分类。 我们的目标是使用视觉变压器(ViT)模型将LIGO数据中的故障分类为22个现有类,以及O3a的2个额外噪声类。 我们在由重力间谍数据集组成的组合数据集上训练预训练的视觉变压器(ViT-B/32)模型以及LIGO O3a运行的额外两个类。 我们实现了92.26的分类效率 关键词:引力波——视觉变压器——机器学习
我们研究了物理信息神经网络的一种新变体来预测最近超新星和重子声震荡(BAO)数据集的宇宙学参数。 我们的机器学习框架生成目标变量的不确定性估计值以及底层PDE描述的推断未知参数。 基于Evidential Deep Learning,Physical-Informed Neural Networks,Bayesian Neural Networks和Gaussian Processes原理的混合体,我们的模型通过基于梯度下降的标准训练,可以学习未知PDE参数的后验分布。 我们将模型应用于最新的BAO数据集(Bousis等人。 2024年:CMB推断的声音视界和Pantheon+Sne Ia距离(Scolnic等)校准。 2018年),研究标准 ΛCDM, wCDM 和 Λ_sCDM 模型之间的相对有效性和相互一致性。 与以前最小化适当 χ^2 函数的标准方法产生的结果不同,发现纯粹在Pantheon+数据上训练的各种模型中参数的后验分布主要包含在对BAO数据训练的对应物的轮廓中。 他们 h_0 的后位中位数大约在 2σ 彼此之间,这表明我们的机器学习引导方法提供了不同的哈勃张力测量。
我们介绍了SeismamoGPT,这是一种基于变压器的模型,用于预测未来引力波探测器(如爱因斯坦望远镜)的三种组分地震波形。 该模型在自动回归设置中训练,可以在单站和基于数组的输入上运行。 通过直接从波形数据中学习时间和空间依赖性,SeismmoGPT捕获了逼真的地面运动模式,并提供准确的短期预测。 我们的结果表明,该模型在即时预测窗口中表现良好,并逐渐进一步下降,正如在自动回归系统中所期望的那样。 这种方法为数据驱动的地震预测奠定了基础,可以支持牛顿噪声缓解和实时天文台控制。
最近,由于人工智能(AI)的发展,在建立理论物理学和人工智能之间的联系方面,科学上越来越受到关注。 传统上,这些联系主要关注弦理论和图像处理之间的关系,并涉及重要的理论范式,如全息。 最近G。 Bianconi制定了Gravity from Entropy(GfE)方法,其中重力来自与Loentzian时空相关的两个指标之间的几何量子相对熵(GQRE)。 在这里证明,用于图像处理的著名的Perona-Malik算法是其简单预热场景中GfE动作的梯度流。 具体来说,该算法是GQRE在两个欧几里得指标之间最小化的结果:图像的支持和图像诱导的一个。 由于Perona-Malik算法已知保留锐利的轮廓,这意味着GfE动作在梯度流动力学的迭代时通常不会导致均匀的图像,因为它可以通过直观地期望从最大化经典熵的熵动作中获得。 相反,GQRE最小化的结果与保存复杂的结构是兼容的。 这些结果为Perona-Malik算法提供了几何和信息理论基础,并可能有助于在GfE,机器学习和大脑研究之间建立更深层次的联系。
我们提出了SILVIA(空间干涉仪实验室向创新应用呕吐),这是一个任务概念,旨在展示在相距100米的三个航天器之间飞行的超精密编队。 SILVIA旨在通过集成航天器传感器、激光干涉测量、低推力和低噪声微推进器,实现相对距离控制的亚微米精度,用于实时测量和控制航天器之间的距离和相对方向。 在近圆形低地球轨道上的100米级任务已被确定为展示SILVIA的理想,具有成本效益的环境,因为这种配置在小相对扰动和低碰撞风险之间保持良好平衡。 这项任务将填补当前未来任务的技术空白,包括用于探测原始引力波背景的DECIGO(DECihertz干涉仪引力波天文台)等引力波观测站,以及高对比度的红外干涉仪,如LIFE(系外行星大型干涉仪),旨在直接成像附近陆地行星候选者的热量排放。 概述了任务概念及其关键技术,为下一代高精度天基天文台铺平了道路。
我们提出了一种新的机器学习(ML)方法来加速保守到原始的反转,专注于混合分段多热带和制表的状态方程。 传统的寻根技术在计算上是昂贵的,特别是对于大规模相对论流体力学模拟。 为了解决这个问题,我们使用前馈神经网络(NNC2PS和NNC2PL),在PyTorch中训练,并使用NVIDIA TensorRT针对GPU推理进行了优化,以最小的精度损失实现了显着的加速。 NNC2PS模型分别实现了4.54×10^-7和3.44×10^-6的L_1和L_∞误差,而NNC2PL模型则表现出更低的误差值。 与传统的寻根方法相比,具有混合精度部署的TensorRT优化大大加快了性能。 具体来说,用于NNC2PS的混合精度TensorRT引擎的推理速度比传统的单线程CPU实现速度快约400倍,数据集大小为1,000,000点。 在Delta超级计算机(Dual AMD 64核心2.45 GHz米兰处理器和8个具有40 GB HBM2 RAM和NVLink的NVIDIA A100 GPU)的整个计算节点上的理想并行化预测,在处理800万个数据点时,TensorRT将加快25倍。 此外,ML方法通过增加数据集大小表现出亚线性缩放。 我们发布了开发的科学软件,进一步验证和扩展我们的研究结果。 这项工作强调了ML与GPU优化和模型量化相结合的潜力,以加速相对论流体力学模拟中的保守到原始反转。
我们开发了一种新颖的方法，利用Ia型超新星（SNIa）数据来约束哈勃参数H_0和原初功率谱振幅A_s。通过将SNIa视为本动速度场的示踪物，我们可以将其距离和协方差建模为宇宙学参数的函数，而无需像造父变星这样的校准器；这产生了一种基于SNIa数据且无需距离锚点的大尺度结构新独立探针。关键的是，我们在JAX中实现了一个可微分流程，包括高效的模拟器和仿射采样，将推理时间从数年缩短到在单个GPU上仅需数小时。我们首先在模拟数据集上验证了我们的方法，证明使用𝒪(10^3)个SNIa可以分别将H_0和log 10^10A_s约束在10%和15%以内。然后我们用来自N体模拟的SNIa测试了我们的流程，在中等噪声水平下获得了6%水平的无偏H_0约束。最后，我们将我们的方法应用于Pantheon+数据，当将A_s固定为其Planck值时，无需造父变星即可在15%水平上约束H_0。另一方面，当在分析中包含造父变星时，我们获得了与Planck一致的20%水平的log 10^10A_s约束。鉴于即将到来的来自兹威基瞬变设施和薇拉·鲁宾时空遗产巡天的低红移SNIa观测（我们的方法将在这些巡天中充分发挥其潜力），我们将我们的代码公开提供。
拉丁超级立方体采样(LHS)是模拟设计中突出的工具,在高维和计算昂贵的问题中具有各种应用。 LHS允许各种优化策略,最明显的是确保空间填充属性。 然而,LHS是一种单级算法,需要先验地了解目标样本量。 在这项工作中,我们在LHS中介绍了LHS,这是一种新的LHS扩展算法,可以在现有的LHS分布式集合中添加新样本,同时(大约)保留其属性。 总之,该算法识别远离初始集合的参数空间的区域,在这些区域中绘制新的LHS,然后将其与原始样本合并。 作为副产品,我们引入了一个新的度量,即LHS度,它量化给定设计与LHS分布的偏差。 我们的公开实现是通过 Python 包 expandLHS 分发的。
全息理论将五个维度的引力理论与平面空间中的四维量子场理论联系起来。 在这张图下,场论的状态方程被编码在引力理论的黑洞解中。 解决五维爱因斯坦方程来确定状态方程是一个算法,直接的问题。 确定产生规定状态方程的引力理论是一个更具挑战性的反向问题。 我们提出了一种基于物理知情神经网络解决这个问题的新方法。 由此产生的算法不仅是数据驱动的,而且还由爱因斯坦方程的物理学所告知。 我们成功地将其应用于具有交叉、一阶和二阶相变的理论。
极端质量比inspiral系统的长期演变需要最小的相位和色散误差来准确计算远场波形,而高精度在较小的黑洞(建模为Dirac delta分布)附近是必不可少的,用于自力计算。 光谱精确的方法,如结节不连续的Gaerkin(DG)方法,非常适合这些任务。 它们的数字误差通常以∝(Δ x)^N+1 减少,其中 Δ x 是子域大小,N 是近似的多项式程度。 然而,某些DG方案表现出超融合,其中截断,相位和分散误差可以像∝(Δ x)^2N+1一样快地减少。 超融合数值求解器通过施工,效率极高、准确。 我们理论上证明,我们用于具有分布源的标量 Teukolsky 方程的 DG 方案是超融合的,当与超椎体层压实技术结合时,保留此属性。 这确保了波形、总能量和角动量通量以及自带计算受益于超融合。 我们通过经验验证了这种行为,在具有不同程度的平滑度的超亮叶层压实中。 此外,我们表明,在点粒子位置计算的圆形轨道的自力量也表现出一定程度的超融合。 我们的研究结果强调了数值超级融合的潜在好处,即基于DG方法进行高效和准确的引力波体模拟。
爱因斯坦-比安奇系统使用对称和无痕的张量来重新计算爱因斯坦的原始场方程。 然而,同时保留这些代数约束仍然是数值方法的挑战。 本文提出了一种新的公式,将线性化的爱因斯坦 - 比安奇系统(靠近琐碎的闵可夫斯基度量)视为与构象赫生复合物相关的霍奇波方程。 为了离散这个方程,一个符合的有限元素构象Hessian复合物,同时保持对称性和无痕性,在一般的三维四面体网格上构建,并且其精确性得到证实。
计算科学发现越来越依赖于算法来处理复杂的数据和识别有意义的模式 - 但在引力波信号识别方面面临着持续的挑战。 虽然现有的算法方法,如匹配过滤(MF)和深度神经网络(DNN)取得了部分成功,但它们的局限性直接源于基本限制:MF的过度计算需求源于对预定义理论波形模板的依赖,而DNN的黑箱架构模糊了决策逻辑并引入了隐藏的偏见。 我们提出了Evolutionary Monte Carlo Tree Search(Evo-MCTS),这是一个框架,通过以领域感知物理约束为指导的系统算法空间探索来解决这些限制。 我们的方法将树结构搜索与进化优化和大型语言模型启发式相结合,以创建可解释的算法解决方案。 我们的Evo-MCTS框架显示出实质性的改进,比MLGWSC-1基准数据集上最先进的引力波检测算法提高了20.2%。 高性能算法变体始终超过阈值。 该框架生成人类可解释的算法路径,揭示不同的性能模式。 除了性能改进之外,我们的框架还发现了新的算法组合,从而建立了一个可转移的方法,用于跨计算科学领域的自动化算法发现。
我们从Weyl对称性的角度重新审视了信息几何中的梯度流。 梯度流方程来自Weyl的仪表变换下不变的拟动作。 在 Weyl 集成几何中,我们有相关的 Amari 的 α 连接 IG 与配备缩放度量的黎曼流形上的 Weyl 不变连接。
继续滚动加载更多
